Action Recognition 经典论文浏览

---

0. 前言

• 本文基本上就是2019年之前的论文。
• 行为识别模型主要分为三类（好像一般大家都这么分，但我感觉不是特别合理……）
  • 3D卷积
    • 传统图像网络的输入是 (batch_size, h, w, 3)，而视频数据相对于图像数据多了时间纬度，所以一般行为识别网络的输入是 (batch_size, t, h, w, 3)
    • 因为多了一维，就将普通2D卷积用3D卷积来替代，所以所谓的3D卷积就是指同时对 spatial-temporal 纬度进行卷积操作。
    • 优点：相对来说，能够较好的提取时间维度的特征（也就是提取不同帧的数据）。
    • 缺点：3D卷积的参数数量庞大、训练/预测时消耗的计算资源较多。
  • 2D卷积
    • 上面说了3D卷积存在消耗计算资源多的问题。
    • 如果能用2D卷积来提取时间特征，那么就既能够满足行为识别模型训练的需求，也能满足降低行为识别模型计算资源消耗的目标。
  • 双流法（感觉双流法与2D/3D卷积并不冲突）
    • 双流法指的是模型的输入包括了RGB帧也包括光流数据，其实中间提取光流特征的网络与提取RGB帧信息的网络是类似的……
    • 感觉双流法与2D/3D卷积并不冲突，提取光流/RGB流特征就用的是3D/2D网络。
• 论文分类与简介
  • 双流法：就是引入了双流，以及探索双流融合方式。因为用不上所以不列了。
  • 3D卷积
    • C3D：3D版VGG。
    • I3D：提出Kinetics-400数据集，基于InceptionV1的3D卷积网络。。
    • R(2+1)D：使用tx1x1+1xdxd卷积替代txdxd卷积，使用ResNet作为Backbone。
    • SlowFast：同一个模型中有多个分支（slow分支与fast分支，分别对应不同的帧率），每个分支都是I3D模型。
  • 2D卷积
    • TSN：将视频分为N个部分、分别提取其中一帧作为模型输入，对每一帧分别使用2D CNN提取特征，融合（如avg）后使用分类网络判断行为类别。
    • TSM：在TSN的基础上，对中间部分特征图（shape为NxTxHxWxC）的 T 维度上进行shift操作。
  • 其他：
    • ECO：先2D提取特征再3D融合，提出了一种online video提取帧的新方法。
    • Non-local：类似于attention，增加“感受野”

---

1. 双流法

1.2. 双流法第一篇

• 2014年6月
• arxiv: Two-Stream Convolutional Networks for Action Recognition in Videos，论文解读，Github
• 要解决什么问题？
  • 引入深度学习后，双流法处理行为识别的开山之作。
  • 如何通过卷积神经网络同时获取时间（光流）、位置信息（普通食品）。
• 用了什么方法解决？
  • 引入了光流（Optical flow），用于表示时间信息。
  • 对于RGB/光流都是通过2D卷积提取特征。
  • 最后融合也比较直接。
• 效果如何？
  • 当时在两个小数据集上达到SOTA。
• 还存在什么问题？
  • 早期论文了，也没啥花头。
  • 光流需要实现处理得到，总体结构应该不是end-to-end的。
  • 从后一篇论文看，融合方式太过直接，有上升空间。
• 其他：光流相关内容需要进一步理解。

1.2. 双流法+新特征融合方式

• 2016年4月，题外话，看着像实验报告，不像论文
• arxiv: Convolutional Two-Stream Network Fusion for Video Action Recognition，论文解读，论文解读2，Github
• 要解决什么问题？
  • 之前的双流模型，特征融合过于简单，希望找到更好的融合方式。
• 用了什么方法解决？
  • 就是各种实验，找到合适的方式……
  • 下图是几处可以特征融合的位置。
  • 下图是几种特征融合的方式
  • 下图是论文使用的特征融合模型结构，主要就是利用了3D卷积和3D池化进行特征融合，融合位置如上上图。
• 效果如何？
  • 在某几个数据集上达到SOTA。
• 还存在什么问题？
  • 还是感觉之前的模型过于简单了……

---

2. 3D卷积

2.1. C3D

• 2014年12月
• arxiv: Learning Spatiotemporal Features with 3D Convolutional Networks，论文解读，Github
• 要解决什么问题？
  • 利用3D卷积来处理视频数据。
• 用了什么方法解决？
  • 利用3D卷积（即C3D）来提出视频的特征。
  • 将特征利用线性回归来分类，就能得到很好的效果。
• 效果如何？
  • 这个应该是3D卷积第一次用来做行为识别吧，当时效果比较惊艳。
• 还存在什么问题？
  • 早期模型了，现在看没啥花头，感觉就是用3D卷积谢了一遍VGG。
• 看了源码后发现，一切思想都很朴素：
  • 输入图像的尺寸与图像分类一样，是固定的，比如 batch_size * clip_len * img_height * img_width * 3。这个图像序列的获取是有一定讲究的，对于一个视频要至少获取 clip_len 帧图像，一般都是间隔着获取。
  • 由于输入尺寸是固定的，所以得到的最终特征图尺寸也是固定的，可以reshape到一个固定的向量。
  • 通过这个向量直接通过全连接层即可获得结果。

2.2. I3D + Kinetics

• 2017年5月
• arxiv: Quo Vadis, Action Recognition A New Model and the Kinetics Dataset，论文解读，mmaction有实现
• 要解决什么问题？
  • 当时的行为识别数据集都太小。
  • 2D卷积无法提取时间特征。
• 用了什么方法解决？
  • 提出Kinetics数据集。
  • 分析当时行为识别模型的结构，提出自己的结构。
    • (a) CONV+LSTM：融合单帧特征的一种方法就是LSTM。
    • (b) 普通3D卷积：比较直接，仅利用了RGB图像，而没有利用光流。
    • © 普通双流：对RGB和光流都利用2D卷积，然后再进行特征融合。
    • (d) 作者提出的一种新结构：对于每一帧都利用2D卷积，然后最终将每一帧的信息融合，再利用3D卷积。
    • (e) I3D结构：对RGB与光流分别进行3D卷积，然后再融合结果。
  • I3D模型本身使用的是InceptionV1的结构，而不是ResNet
• 效果如何？
  • 在HMDB-51与UCF-101中，I3D都达到了SOTA。
  • 大数据集，有点训练不动。
• 还存在什么问题？
  • 3D卷积都比较费时间、参数多，而且空间特征提取的并不太好。
  • 现在所谓的I3D模型好像都是基于ResNet的，跟I3D论文这里的好像没太多关系。

2.3. R(2+1)D

• 17年11月
• arxiv: A Closer Look at Spatiotemporal Convolutions for Action Recognition，论文解读，Github
• 要解决什么问题？
  • 使用3D卷积网络实现行为识别模型(I3D)虽然在当时达到了SOTA，但相比于iDT等非深度学习方法， 准确率提升的不多。
  • 当时的3D卷积都比较直白。
• 用了什么方法解决？
  • 探索了一些3D卷积结构，或者替代3D卷积的结构。
  • 所谓的(2+1)D其实就是用 tx1x1 卷积 + 1xdxd卷积替代普通的 txdxd 卷积。
  • R3D结构，估计R(2+1)D结构也与这个类似
• 效果如何？
  • 当时在同等算力下，(2+1)D的效果最好。
• 还存在什么问题？
  • 早起模型啦，模型总体结构还是比较朴素的。
  • 但(2+1)D这个结构在现在还是比较常见的。

2.4. SlowFast

• arxiv: SlowFast Networks for Video Recognition，译文，论文解读，Github
• 要解决什么问题？
  • intuition：图像在x,y两个维度上是均匀的，但在视频x,y,t中并非如此，且慢动作比快动作更可能发生。
  • 从上面的思路可以看出，那要如何同时处理时间维度和空间维度和空间维度的信息呢。
  • 双流法的一个缺陷：没有考虑不同速率的关系。
• 用了什么方法解决？
  • 提出了SlowFastNet，分为两个分支，即Slow分支和Fast分支。
    • Slow分支：帧率较慢，用于获取语义信息（semantic information），猜测就是空间信息，计算量大。
    • Fast分支：帧率较快，用于获取去时间信息，计算量小，大约是总体计算量的20%。
• 效果如何？
  • 发表时认为在四个数据集 kinetics400/600, Charades, AVA上都达到SOTA。
  • 其实该论文精读不如TSM，但这篇论文的“故事”更好理解。
• 还存在什么问题？
  • 卡多，牛逼，野兽派。

---

3. 2D 卷积

3.1. TSN

• 2016年8月
• arxiv: Temporal Segment Networks: Towards Good Practices for Deep Action Recognition，论文解读，mmaction有实现
• 要解决什么问题？
  • 当时的模型都对短视频比较友好，对长视频不太行。
• 用了什么方法解决？
  • 提出了TSN结构，主要包括了Segments和Snippets两个概念。
    • 首先将整段视频分为若干个Segments，再将每个segments中分为若干snippets，将这些snippets作为输入。
    • 从下图中可以看出，就是利用了多个双流结构，然后融合结果。
  • 对于模型的输入，做了多种试验。
• 效果如何？
  • 当时在两个小数据集上达到了SOTA。
• 还存在什么问题？
  • 显然，双流模型不是end-to-end的。

3.2. TSM

• 2018.11
• arxiv: TSM: Temporal Shift Module for Efficient Video Understanding，论文解读，Github
• 要解决什么问题？
  • 视频行为识别需要考虑 temporal modeling。
  • 2D卷积虽然需要的操作量少但无法直接考虑 temporal modeling，3D卷积虽然能够考虑temporal modeling但参数量、计算量大。
• 用了什么方法解决？
  • 提出了TSM结构，即利用了2D卷积的参数、操作量少，又兼顾了3D卷积的temporal modeling。
  • TSM的结构如下图。
    • (b) 是离线模式，即在预测当前帧的信息时，会利用到未来的帧。
    • © 是在线模式，即预测当前帧的时候，不会利用到未来的帧。
  • 具体TSM的结构，利用了(b)形式，即残差形式。
• 效果如何？
  • 查资料的时候看到不少，说这个网络效果好，但感觉有点奇怪
  • 下面这个图霸气，纵座标是精度，横座标是计算量，圆圈大小是参数数量，可以看到TSM是啥都好……
• 还存在什么问题？
  • 只知道效果好，但总感觉有点怪（我看得少，没看出来）

---

4. 其他

4.2. ECO

• 18年4月
• arxiv: ECO: Efficient Convolutional Network for Online Video Understanding
• 论文解读，论文解读2，Github(caffe)，Github(PyTorch)
• 要解决什么问题？
  • 当时常见的模型不会同时考虑几秒内不同帧的关系。
  • 当时常见的模型（主要指的是双流法）的视频预处理较慢，阻碍了实时视频理解。
• 用了什么方法解决？
  • 提出了一种新结构，可融合处理视频不同时间点的帧信息。总体流程是：
    • 第一步，将视频微分N段，每一段中随机选取一帧内容，共N帧信息。
    • 第二步，对N帧内容分别进行2D卷积进行特征提取（weight sharing），将结果concat后获取4D特征。
    • 第三步，将4D特征作为输入，进行3D卷积。
  • 结构类型分为两种，即ECO Lite和ECO Full
  • 提出了一种实时视频分类的方法，这种方法模型结构并没有变化，有变化的只是获取视频帧的过程。
• 效果如何？
  • 准确率与当时的SOTA差不多（略差一点），但速度快了10-80倍。
• 还存在什么问题？
  • 感觉这些网络都是以224*224的图像作为输入，会不会对一些距离镜头较远的动作检测效果不佳？

4.3. Non-local

• 17年11月

• arxiv: Non-local Neural Networks，论文解读（强烈推荐），Github

• 要解决什么问题？

  • 主要提出了local/non local两类操作的定义。
    • local 操作
      • 每次只能处理一个邻域内的数据（process one local neightborhood at a time）
      • 普通的CNN/RNN都属于local操作
      • 主要缺陷有：计算效率低（computationally inefficient），优化较为困难（cause optimization difficulties），使得multihop dependency modeling（数据需要前后依赖的情况）更困难。
    • non local 操作：
      • 主要优势：能够获取long-range dependencies，效率高且需要的层数少，输入与输出的尺寸相同（可较为方便地嵌入模块）。

• 用了什么方法解决？

  • 定义了 non local 操作：
    • 参考下论文解读中的描述，很清楚了：
      • 上面的公式中，输入是x，输出是y，i和j分别代表输入的某个空间位置，x_i是一个向量，维数跟x的channel数一样。f是一个计算任意两点相似关系的函数，输出的是标量。g是一个映射函数，将一个点映射成一个向量，可以看成是计算一个点的特征，比如最简单的1*1卷积。
      • 也就是说，为了计算输出层的一个点，需要将输入的每个点都考虑一遍，而且考虑的方式很像attention：输出的某个点在原图上的attention，而mask则是相似性给出。
      • 参看下图：
  • 具体实现方式参考下图：
    • Softmax分支代表的是mask。
    • 另外一路代表的就是transformed image。

• 效果如何？

  • 在当时，进将non-local作为一个trick添加到行为识别网络中就能达到SOTA的效果。

• 还存在什么问题？

  • 这玩意是个即插即用的小模块，能提点，但性能就……